Prédiction de la complexité d’un produit usiné

Modèle 3D enrichi

Un modèle 3D est la résultante de la modélisation d’un produit à l’aide d’un logiciel de conception assistée par ordinateur (CAD). On dit d’un modèle qu’il est enrichi lorsque les annotations sont apposées directement sur le modèle 3D. Cette méthode se veut l’évolution du traditionnel dessin de définition en 2D.

Spécification :Dans notre contexte, une spécification représente une référence à une norme (ex:ISO9001), un standard (ex :ASME Y14.5), un procédé (ex:AMS2759), etc. qui doit être respecté par une entreprise lors de la fabrication d’un produit. Ces spécifications se retrouvent généralement sur la feuille de notes (Part list) du produit. Pour des raisons de tradition, il est encore rare de trouver ces informations directement dans le modèle 3D enrichi. Dans les faits, mis-à-part au niveau de la gestion des documents, il n’y a pas de différence entre une information intégrée au modèle 3D enrichi ou gérée séparément. Au final, cela dépend encore des habitudes de conception de chaque entreprise. Dans le cas de notre partenaire industriel, les spécifications ne sont pas incluses dans le modèle 3D enrichi, mais plutôt dans une feuille de notes accompagnant le produit.

Connaissances procédurales

Les connaissances d’un expert que nous appelons «procédurales» sont les connaissances à propos de «comment faire quelque chose» (Tilotma et Deepali, 2012). Ce type de connaissances relève souvent de procédures, stratégies, modèles, etc. En d’autres mots, elles représentent les différentes étapes nécessaires à l’atteinte d’un objectif.

Par sa structure «cause – conséquence» ou «action – réaction», les connaissances procédurales se prêtent bien à une structure basées sur le format d’une règle de type «IF [condition] THEN [résultat]» appelée règle de décision (Decision Rule) (Kaula, 2012).

L’avantage de cette structure consiste en sa facilité de construction, d’implantation, de maintenance et d’interprétation (Okafor et Osuagwu, 2007). Un des premiers systèmes experts développés avec cette structure de représentation fût le système MYCIN, créé par Edward Shortliffe (Shortliffe, 1976a; 1976b). Le but de ce système était de fournir une aide à la décision en fournissant un diagnostic médical préliminaire basé sur les symptômes du patient. Le système questionne l’utilisateur pour obtenir des informations médicales afin de poser un diagnostic quant à la possible bactérie pouvant causer les symptômes. Dans sa première version, environ 200 règles de décision constituaient sa base de connaissance (Shortliffe,1976a; 1976b).En plus du domaine de la médecine, d’autres systèmes ont été développés dans différentes industries. Par exemple, l’assurance (Abdullah, Sawar et Ahmed, 2009; 2010) ou encore l’industrie de la finance (Kaula, 2012). Le secteur de la fabrication par un procédé d’usinage avec machine-outil CNC n’a également pas été ignoré. En effet, Rubio et al. (2013) ont développé un système expert basé sur des règles de décision dans ce contexte.

Connaissances déclaratives

Les connaissances d’un expert que nous appelons «déclaratives» font référence à la représentation d’objets, d’idée, de concept, etc. (Tilotma et Deepali, 2012). Par exemple, les connaissances que la Terre est ronde et que la Terre est une planète sont des connaissances déclaratives.

Contrairement aux connaissances procédurales, cette forme de connaissance ne suit pas une structure «cause-conséquence». Dès lors, ce type de connaissance trouve son utilisation dans la représentation d’un concept. Grâce à cette caractéristique, il est possible de remarquer l’absence de règle de décision dans la représentation de ce type de connaissances. Également, la difficulté d’abstraction étant plus élevée avec ce type de connaissance qu’avec les connaissances procédurales, de nombreuses méthodes sont développées afin d’obtenir une méthode de représentation idéale. Les sections qui suivent présentent certaines méthodes pouvant être appliquées à notre contexte de recherche.

Ontologie

Une première méthode qui est développée et expérimentée dans plusieurs travaux est une représentation des connaissances par la méthode appelée «ontologie». Le terme ontologie a une longue histoire en philosophie et le dictionnaire Larousse le défini comme étant l’« étude de l’être en tant qu’être, de l’être en soi.» (Larousse, 2015). Par contre, dans notre contexte, ce terme est repris sous une autre forme où il est défini par Tah et Abanda (2011) comme étant une représentation de l’information. Saa et al. (2012) acceptent cette définition, mais lui apportent une précision en définissant une ontologie comme étant une classification exhaustive et définitive des entités, ainsi que des relations entre les entités.

Frame

Une deuxième méthode utilisée pour représenter les connaissances déclaratives est la méthode des Frames. Cette méthode a été introduite par Minsky (1974) comme étant une méthode pour représenter une situation stéréotype et l’adapter selon les détails de celle-ci. Un Frame est généralement composé d’une ou plusieurs Slots qui représentent le détail ou des attributs du Frame. Par ailleurs, cette méthode peut être comparée à la programmation orientée objet dans laquelle chaque objet possède des attributs (ex : une voiture possède une couleur) (Rattanaprateep et Chittayasothorn, 2006). De façon plus récente, Sadeghian et Lavers (2004) définissent ce concept comme étant une méthode pour structurer des données.

Indice d’usinabilité

L’indice d’usinabilité, tel qu’utilisé dans notre contexte, tire son origine des travaux de l’American Iron and Steel Institute (AISI). Dans leurs travaux, ils considèrent l’usinabilité comme étant la facilité avec laquelle un matériau est travaillé à l’aide d’un outil de coupe. Cet indice est calculé en faisant le ratio de la vitesse d’usinage d’un matériau à l’aide d’un outil ayant une durée de vie de 60 minutes et de la vitesse d’usinage du matériau de référence. Le matériau de référence est l’acier B1112 ayant une dureté de 160 Brinell. Cette référence s’est vu attribuer un indice d’usinabilité de 100% (Schneider Jr, 2002). Un matériau qui a un indice d’usinabilité supérieur à 100% est donc plus facile à usiner que l’acier B1112 et vice versa.

Il est possible de trouver les principaux indices d’usinabilité sur les documents techniques des différents producteurs de matériaux. Pour nos besoins, et afin de compléter notre collecte de données, une évaluation de l’usinabilité de certains matériaux est effectuée de concert avec le groupe d’experts industriels. Cette évaluation est basée sur l’analyse de la composition chimique et des propriétés mécaniques des matériaux dont les indices d’usinabilité étaient indisponibles.

Indice de contraintes résiduelles

Le concept de l’indice de contraintes résiduelles est proposé par le groupe d’experts industriels, car selon eux, l’indice d’usinabilité ne peut pas totalement expliquer le comportement d’un matériau lors de son usinage. Par conséquent, le concept de contraintes résiduelles est proposé pour expliquer cette autre facette du comportement. Il se définit comme étant la capacité d’un matériau à ne pas se déformer lorsque des contraintes sont libérées par le passage d’un outil de coupe. Bien que subjective, les valeurs de contraintes résiduelles sont évaluées par le groupe d’experts industriels.

Tout comme l’indice d’usinabilité, l’indice de contraintes résiduelles s’exprime en pourcentage. En revanche, l’étendue de cet indice est de 0% à 100%. Un indice de 0% exprime une forte déformation, donc un matériau ayant une forte réaction au passage d’un outil de coupe et à l’opposé, un matériau qui possède un indice de 100% exprime une réaction très faible, donc un matériau ayant une très faible réaction au passage d’un outil de coupe.

Table des matières

INTRODUCTION
CHAPITRE 1 PROBLÉMATIQUE ET QUESTIONS DE RECHERCHE
CHAPITRE 2 OBJECTIFS ET MÉTHODOLOGIE
2.1 Objectifs généraux
2.2 Objectifs spécifiques
2.3 Méthodologie de recherche
CHAPITRE 3 DÉFINITIONS ET REVUE DE LITTÉRATURE
3.1 Définitions
3.1.1 Modèle 3D enrichi
3.1.2 Annotation
3.1.3 Spécification
3.2 La complexité
3.2.1 Méthodes d’estimation de la complexité
3.3 Système expert
3.3.1 Connaissances procédurales
3.3.2 Connaissances déclaratives
3.4 Conclusion du chapitre 3
CHAPITRE 4 CADRE DE RECHERCHE ET HYPOTHÈSES RETENUES 
4.1 Environnement de recherche
4.2 Cadre de recherche
4.3 Hypothèses retenues
CHAPITRE 5 COLLECTE DES DONNÉES 
5.1 Les catégories de produits
5.2 Règles de décision
5.2.1 Règles de décision reliées aux annotations
5.2.2 Règles de décision reliées aux spécifications
5.3 Indice de matériau
5.3.1 Indice d’usinabilité
5.3.2 Indice de contraintes résiduelles
5.4 Élicitation des connaissances du groupe d’experts
CHAPITRE 6 COMPOSITION DU MODÈLE D’ESTIMATION DE LA COMPLEXITÉ
6.1 Le volume à usiner selon le matériau utilisé
6.1.1 Calcul du composant candidat
6.2 L’ordre de grandeur des éléments géométriques
6.2.1 Calcul du composant candidat
6.3 Les annotations
6.3.1 Calcul du composant candidat
6.4 Les spécifications
6.4.1 Calcul du composant candidat
6.5 Analyses de corrélation linéaire
6.5.1 Discussion des résultats
6.6 Conclusion du chapitre 6
CHAPITRE 7 PROPOSITION D’UN MODÈLE D’ESTIMATION DE LA COMPLEXITÉ
7.1 Proposition du modèle
7.2 Analyse de la corrélation linéaire
7.3 Discussion des résultats
7.4 Conclusion du chapitre 7
CHAPITRE 8 VALIDATION DU MODÈLE D’ESTIMATION DE LA COMPLEXITÉ
8.1 Validation empirique du modèle
8.2 Validation hors-contexte
8.3 Discussion des résultats
8.4 Conclusion du chapitre 8
CHAPITRE 9 DÉVELOPPEMENT D’UN OUTIL D’AUTOMATISATION 
9.1 Architecture de l’outil
9.2 Fonctionnement de l’outil
9.3 Conclusion du chapitre 9
CONCLUSION GÉNÉRALE

Télécharger le rapport complet